4. 惯量辨识原理：基于电机运动方程的惯量辨识数学模型推导

各位工程师朋友，咱们今天聊点硬核的。惯量辨识，说白了就是让伺服系统自己“掂量”一下自己带的负载有多重。你想想看，如果伺服不知道负载有多重，那它的加减速性能、位置跟随精度，基本就是瞎蒙。我在现场调试时见过太多这样的案例——工程师凭感觉设个惯量比，结果要么系统抖得像筛子，要么响应慢得像蜗牛。

嗯，要搞懂惯量辨识，咱们得从最基础的电机运动方程说起。这是整个辨识算法的根，根扎不稳，上面长出来的全是歪脖子树。

4.1 电机运动方程：伺服系统的“牛顿第二定律”

先回忆一下经典力学。牛顿告诉我们：F = ma。放到旋转运动里，就变成了：

Te − TL = J · dω/dt

这里：

  • Te — 电磁转矩，电机产生的驱动力矩
  • TL — 负载转矩，包括摩擦力、切削力、重力分量等
  • J — 系统总惯量（电机转子惯量 + 负载惯量折算值）
  • ω — 电机机械角速度
  • dω/dt — 角加速度

这个方程看起来简单，但里面藏着不少坑。我刚开始做伺服驱动开发时，就天真地以为只要测出转矩和加速度，除一下就能得到惯量。结果数据出来乱七八糟，根本没法用。为什么？因为TL这个家伙太不老实了——它随着速度、位置、温度都在变。

核心要点：惯量辨识的本质，就是在未知且变化的负载转矩干扰下，从运动方程中把J“拎”出来。

4.2 离散化处理：从连续方程到可计算的差分形式

实际伺服系统里，我们拿到的都是离散采样数据。电机运动方程需要写成差分形式：

Te(k) − TL(k) = J · [ω(k) − ω(k−1)] / Ts

其中：

  • k — 当前采样时刻
  • Ts — 采样周期（通常0.1ms ~ 1ms）
  • ω(k) − ω(k−1) — 速度增量

这里有个细节要注意：速度信号通常来自编码器，而编码器直接测量的是位置。速度是通过位置差分算出来的。这就引入了量化噪声和延迟。我建议在工程实现时，速度信号一定要做低通滤波，否则加速度信号会噪声大到离谱。

实战技巧：我个人习惯用二阶巴特沃斯低通滤波器，截止频率设在速度环带宽的3~5倍。这样既能滤掉高频噪声，又不会把有用的加速度信息给削没了。

4.3 最小二乘法：让数据自己“说话”

好，现在我们有了一堆离散数据点：[Te(k), ω(k), ω(k−1)]。怎么从中估计出J和TL？

最经典的方法就是递推最小二乘法（RLS）。咱们把运动方程改写成矩阵形式：

y(k) = φ(k) · θ

其中：

  • y(k) = Te(k) — 系统输出（已知）
  • φ(k) = [ (ω(k)−ω(k−1))/Ts , 1 ] — 回归向量（已知）
  • θ = [ J , TL ]T — 待估参数（未知）

你看，这样一来，惯量辨识就变成了一个标准的参数估计问题。RLS算法的核心公式如下：

// 递推最小二乘核心步骤
// 初始化：θ(0) = [J_guess, 0]^T, P(0) = α·I (α取较大值，如1000)

// 每一步迭代：
// 1. 计算增益向量
K(k) = P(k-1)·φ(k) / [λ + φ(k)^T · P(k-1) · φ(k)]

// 2. 更新参数估计
θ(k) = θ(k-1) + K(k)·[y(k) − φ(k)^T · θ(k-1)]

// 3. 更新协方差矩阵
P(k) = [I − K(k)·φ(k)^T] · P(k-1) / λ

// λ为遗忘因子，0.95~0.99之间
// λ越小，算法跟踪越快，但噪声敏感度越高

这里λ是遗忘因子。λ=1时，所有历史数据权重相同，适合恒定惯量场景。λ<1时，旧数据逐渐被“遗忘”，适合惯量缓慢变化的场景。我在做注塑机伺服时，惯量会随着模具开合而变化，这时候λ取0.97左右效果最好。

注意：RLS算法对激励信号有要求。如果电机匀速运行（加速度≈0），那么φ(k)的第二列和第一列高度相关，会导致协方差矩阵病态，估计结果发散。这就是为什么惯量辨识必须在加减速过程中进行。

4.4 激励信号设计：给系统“挠痒痒”的正确姿势

要让RLS算法收敛得好，输入信号必须满足持续激励条件。说白了，就是速度变化要足够丰富，不能老是一个节奏。

常用的激励信号有：

  • 梯形速度曲线 — 简单实用，但频率成分单一
  • S形速度曲线 — 加速度连续变化，激励更充分
  • 伪随机二进制序列（PRBS） — 频率覆盖宽，辨识精度高

我个人最常用的是S形曲线。为什么？因为梯形曲线在加减速切换点有加速度突变，会激发机械谐振，导致辨识结果被谐振分量污染。S形曲线平滑过渡，对机械系统更友好。

下面这张图展示了惯量辨识的整体流程：

惯量辨识数学模型与算法流程图 激励信号输入 采集Tₑ(k)、ω(k) 速度滤波 + 差分求加速度 递推最小二乘（RLS）参数估计 输出 Ĵ 和 T̂ₗ 采样周期 Tₛ = 0.1~1ms 截止频率 = 速度环带宽×3~5 遗忘因子 λ = 0.95~0.99 ⚠ 注意事项 1. 必须在加减速段辨识 2. 避免匀速段数据参与 3. 激励幅度不宜过大 4. 防止机械谐振干扰

4.5 工程实现中的几个关键细节

理论讲完了，咱们聊聊落地时容易踩的坑。

第一，数据同步问题。 转矩指令Te和速度反馈ω(k)来自不同的采样通道，存在时间延迟。我曾经在一个项目中，因为没做延迟补偿，辨识出来的惯量值偏大了15%。后来在数据采集时加了插值对齐，精度才上来。

第二，摩擦转矩的处理。 低速时，静摩擦和库仑摩擦占主导，会严重干扰辨识结果。我的做法是：在辨识前先做一个“摩擦前馈”标定，把摩擦模型参数先辨识出来，然后在运动方程中减去摩擦分量。

第三，遗忘因子的自适应调整。 固定遗忘因子不够灵活。我习惯让λ随着速度变化率自动调整——加速度大时λ取小值（快速跟踪），加速度小时λ取大值（平滑估计）。

经验总结：惯量辨识不是一锤子买卖。我建议在设备每次上电后，先做一次快速粗辨识（用梯形波，耗时0.5秒），然后在正常运行过程中用RLS做慢速精辨识（持续更新）。这样既保证了启动时的快速响应，又兼顾了运行中的自适应能力。

4.6 辨识结果的验证方法

怎么知道辨识出来的惯量准不准？我一般用两个方法交叉验证：

  1. 转矩观测法：用辨识出的Ĵ和T̂ₗ重构转矩，与实际转矩对比。如果重构误差在5%以内，说明辨识结果可信。
  2. 阶跃响应法：给速度环一个阶跃指令，观察实际响应曲线。如果响应曲线与仿真曲线（用辨识参数）吻合，那基本就稳了。
验证方法 操作方式 判定标准 适用场景
转矩重构法 用Ĵ和T̂ₗ计算Te_recon，与实际Te对比 均方根误差 < 5% 在线验证
阶跃响应法 施加速度阶跃，对比实测与仿真响应 超调量偏差 < 2%，调节时间偏差 < 10% 离线验证
惯量比对法 已知负载惯量，对比辨识值与理论值 偏差 < 3% 实验室标定

好了，关于惯量辨识的数学模型推导，咱们就聊到这儿。核心就三件事：运动方程是基础，RLS是工具，激励信号是前提。把这三点吃透了，你就能让伺服系统自己“掂量”出负载的重量，然后自动把参数调到位。

专注资料整理
← 上一章 📖 返回目录 下一章 →